Älykkään sähköautojen latauksen tekninen arkkitehtuuri: dynaaminen kuorman tasapainotus ja BESS-optimointi

Älykkään sähköautojen latauksen kattava tekninen arkkitehtuuri: Dynaamisen kuormituksen tasapainotuksen hallinta edistyneiden säätösilmukoiden, paikallisen pilvi-integraation, monienergiaoptimoinnin avulla aurinkosähköllä ja latauksen jälkeisillä latauksilla sekä laajamittaisen ennakoivan sähköverkon vakauden hallinnan avulla

Luku 1: Johdatus älykkääseen sähköautojen lataukseen ja dynaamisen kuormituksen tasapainotuksen (DLB) tarpeellisuus

Globaali siirtyminen kohti sähköistä liikkuvuutta ei ole enää toissijainen trendi, vaan keskeinen pilari liikennealan debornisaatiossa. Kun miljoonat polttomoottoriajoneuvot korvautuvat sähköajoneuvoilla, sähkön kysyntä siirtyy nestemäisistä polttoaineista sähköverkkoon. Tämä paradigman muutos asettaa valtavan haasteen sähköinfrastruktuurille, joka monissa tapauksissa suunniteltiin jo vuosikymmeniä sitten. Sähköautojen latauksen ajoittainen ja suuritehoinen luonne voi johtaa paikalliseen verkon ruuhkautumiseen, muuntajien heikkenemiseen ja lopulta katastrofaalisiin vikoihin, jos niitä ei hallita tarkasti.

Älykäs sähköautojen lataus edustaa teknologista siltaa liikkuvuuden kasvavan kysynnän ja sähköverkon fyysisten rajoitusten välillä. Älykkään latauksen ytimessä on kyse älykkyydestä – siitä, milloin, millä nopeudella ja millä prioriteetilla sähköauto tulisi ladata. Tämän älykkään tason kriittisin komponentti on kuitenkin dynaaminen kuormituksen tasapainotus (DLB).

Dynaaminen kuormituksen tasaus on prosessi, jossa jatkuvasti seurataan kohteen käytettävissä olevaa sähkökapasiteettia ja jaetaan tämä teho aktiivisten sähköautojen latausasemien kesken reaaliajassa. Ilman DLB:tä rakennus tai latausasema joutuisi toimimaan staattisella rajalla, joka usein määräytyy huippukuormituksen "pahimman mahdollisen skenaarion" mukaan. Tämä johtaa valtavaan tehottomuuteen: joko kohde on alivarusteltu, mikä johtaa hitaaseen lataukseen käyttäjille, tai kohde vaatii erittäin kalliita infrastruktuuripäivityksiä käsitelläkseen teoreettisia huippuja, joita esiintyy vain muutaman tunnin viikossa.

DLB:n tarve johtuu kolmesta pääasiallisesta tekijästä:

1. Infrastruktuurin säilyttäminenEstää päävirtakatkaisijoiden laukeamisen ja suojaa muuntajia ylikuumenemiselta.
2. Taloudellinen tehokkuusKorkeiden kysyntämaksujen ja huoltokeskusten tai paikallisten jakeluverkkojen päivittämisen kohtuuttoman korkeiden kustannusten välttäminen.
3. KäyttäjätyytyväisyysLatausnopeuden maksimointi kaikille käyttäjille hyödyntämällä älykkäästi jokaista käytettävissä olevaa kilowattituntia kapasiteettia.

Tässä syvällisessä teknisessä tutkimuksessa analysoimme DLB:n mekaniikkaa millisekuntitason ohjaussilmukoista, jotka ohjaavat tehoelektroniikkaa, pilvipohjaiseen tuhansien latauspisteiden orkestrointiin. Tarkastelemme, miten DLB kehittyy integroituna uusiutuviin energialähteisiin, kuten aurinkokennoihin (PV) ja akkuenergian varastointijärjestelmiin (BESS), ja miten ennakoiva mallinnus mahdollistaa laajamittaisten latauskeskusten ennakoida verkon vaihteluita ennen niiden tapahtumista. Siirtyessämme kohti tulevaisuutta, jossa sähköauto ei ole vain kuluttaja, vaan hajautettu energiaresurssi, DLB:n vivahteiden ymmärtäminen on ensiarvoisen tärkeää sekä insinööreille, kaupunkisuunnittelijoille että energiantoimittajille.

Luku 2: Dynaamisen kuormituksen tasapainotuksen perusperiaatteet

Ymmärtääkseen, miten DLB toimii, on ensin ymmärrettävä "staattinen" vaihtoehto. Staattisessa kuormituksen tasausympäristössä jokaiselle laturille on varattu kiinteä virtamäärä. Jos esimerkiksi laitoksella on 100 A:n raja ja viisi laturia, jokainen voi olla rajoitettu 20 A:iin. Jos vain yksi auto latautuu, se saa silti vain 20 A, mikä hukkaa 80 A käytettävissä olevaa kapasiteettia. Kääntäen, jos kaikki viisi autoa latautuvat ja joku käynnistää rakennuksen tehokkaan LVI-järjestelmän, kokonaiskuorma voi ylittää 100 A, mikä aiheuttaa sähkökatkon.

DLB korvaa tämän jäykän allokoinnin joustavalla ja reagoivalla järjestelmällä. Perusperiaatteena on takaisinkytkentäsilmukka "käytettävissä olevan kokonaiskapasiteetin" ja "aktiivisen latauskysynnän" välillä.

Matemaattinen säätiö

Yksinkertaisimmillaan DLB voidaan ilmaista seuraavalla yhtälöllä:P_saatavilla_sähköautoille(t) = P_kokonais_raja – P_ei_sähköautoja_kuormat(t)

Jossa:

• P_kokonaisrajaon sivuston fyysinen tai sopimuksellinen raja.
• P_ei_sähköajoneuvojen_kuormat(t)on valojen, koneiden, hissien jne. reaaliaikainen kulutus, jota mitataan älymittarilla.
• P_saatavilla_sähköautoille(t)on jäljellä oleva teho, joka voidaan turvallisesti jakaa sähköautojen kesken.

Monimutkaisuus syntyy, kun järjestelmän on päätettävä, miten se jaetaanP_saatavilla_sähköautoille(t)joukossaNlaturit. Tätä jakaumaa ohjaavat algoritmit, jotka ottavat huomioon:

• Lataustila (SoC)Lähes tyhjällä akulla varustettu auto saattaa saada korkeamman prioriteetin.
• LähtöaikaYöpyvän auton akku voidaan ladata hitaasti, kun taas nopeaa latausta tarvitseva auto saa tehostetun latauksen.
• Vaiheiden tasapainottaminenKolmivaihejärjestelmissä DLB:n on varmistettava, ettei yksikään vaihe ylikuormitu. Tämä tehtävä vaatii monimutkaista kytkentälogiikkaa tai vaihekohtaista jakelua.

Tunnistaminen ja mittaaminen

DLB:n tarkkuus riippuu täysin vastaanotetun datan laadusta. Tämä tarkoittaa tyypillisesti virtamuuntajia (CT) tai erillisiä älymittareita, jotka on asennettu yhteiseen kytkentäpisteeseen (PCC). Näiden laitteiden on raportoitava kuormitustiedot korkealla taajuudella (usein 1 Hz tai korkeammalla), jotta DLB-ohjain voi reagoida rakennuksen kuormituksen äkillisiin piikkeihin – kuten teollisuusmoottorin käynnistymiseen – sekunneissa ja estää pääkatkaisijan laukeamisen.

Hierarkkinen rakenne

DLB toimii usein hierarkkisesti. ”Paikallisella” tasolla ohjain hallitsee latausasemien klusteria. ”Kohdetasolla” se koordinoi toimintaansa kiinteistönhallintajärjestelmän kanssa. ”Verkkotasolla” se voi reagoida sähköyhtiön kysyntäjoustosignaaleihin (DR). Tämä monikerroksinen lähestymistapa varmistaa, että paikallinen turvallisuus säilyy samalla, kun se osallistuu laajempiin energiamarkkinoihin.

Luku 3: DLB-algoritmien säätösilmukan suunnittelu: PID ja mallin ennustava säätö (MPC)

Dynaamisen kuormituksen tasausjärjestelmän tehokkuutta mitataan viime kädessä sen latenssilla ja tarkkuudella. Jos rakennuksen kuormitus nousee ja DLB-järjestelmällä kestää 30 sekuntia säätää sähköauton latausvirtaa, pääkatkaisija todennäköisesti laukeaa ennen korjausta. Siksi ohjaussilmukan suunnittelu on älykkään latausaseman "aivot". Tässä luvussa perehdymme näiden ohjausmekanismien teknisiin tietoihin keskittyen PID-säätimiin (Proportional-Integral-Derivative) ja edistyneempään ennustavaan ohjaukseen (MPC).

PID-säätökehys DLB:ssä

PID-säätimet ovat teollisuusautomaation työjuhtia, ja niille löytyy luonnollinen sovellus DLB:ssä. PID-silmukan tavoitteena on pitää kokonaiskuorma ($P_{total}$) asetusarvossa ($P_{limit}$) tai sen alapuolella säätämällä säätömuuttujaa, joka on sähköajoneuvojen syöttölaitteisiin (EVSE) lähetettävän maksimivirran raja.

• Suhteellinen (P)P-termi reagoi välittömästi virheeseen (erotus $P_{limit}$:n ja $P_{total}$:n välillä). Jos virhe on suuri (esim. rakennuksen kuormituksen valtava lasku), P-termi lisää nopeasti sallittua sähköauton latausvirtaa. Pelkkä P-ohjaus johtaa kuitenkin usein "tasaisen tilan virheeseen", jossa järjestelmä ei koskaan aivan saavuta rajaa.
• Integraali (I)I-termi ottaa huomioon aiempien virheiden kertymisen. Se nostaa tai laskee virtaa hitaasti tasapainotilan virheen poistamiseksi varmistaen, että järjestelmä hyödyntää kaikki käytettävissä olevat ampeerit ajan myötä.
• Johdannainen (D)D-termi ennustaa tulevia virheitä tarkastelemalla muutosnopeutta. Tämä on ratkaisevan tärkeää "ylikuormituksen" estämiseksi. Jos kuormitus kasvaa nopeasti, D-termi kuristaa aggressiivisesti sähköautojen latauslaitteita ennen kuin raja todella saavutetaan.

DLB-ympäristössä PID-silmukka on viritettävä huolellisesti. Jos se on liian aggressiivinen, sähköajoneuvojen latauslaitteet moduloivat jatkuvasti virtaansa, mikä voi kuluttaa ajoneuvon sisäänrakennettua laturia (OBC) ja mahdollisesti ärsyttää sähköajoneuvon ohjelmistoa, mikä johtaa latausvirheisiin. Jos se on liian hidas, se ei toimi ensisijaisessa tehtävässään suojata sähköverkkoa.

PID:n tuolla puolen: Mallin ennustava säätö (MPC)

Vaikka PID on tehokas yksinkertaisissa tilanteissa, nykyaikaiset laajamittaiset latauskeskukset hyödyntävät yhä enemmän mallinnuspohjaista ennakoivaa ohjausta (MPC). Toisin kuin reaktiivinen PID, MPC on ennakoiva. Se käyttää järjestelmän matemaattista mallia ennustaakseen sen tulevaa käyttäytymistä tietyllä "ennustehorisontilla".

DLB:n yhteydessä MPC-ohjain ottaa huomioon:

1. JärjestelmärajoituksetLaturien fyysiset rajat, muuntajan kapasiteetti ja ajoneuvon suurin imuteho.
2. Tulevaisuuden ennusteetEnnustettu rakennuksen kuormitus perustuu historiallisiin trendeihin, sääennusteisiin (jotka vaikuttavat LVI-kuormitukseen) ja odotettuun ajoneuvojen saapumiseen.
3. ObjektifunktioMatemaattinen tavoite, kuten ”Minimoida energian kokonaiskustannukset ja varmistaa samalla, että kaikki autot saavuttavat 80 %:n energiatehokkuustason klo 8.00 mennessä.”

MPC-algoritmi ratkaisee optimointiongelman jokaisella aika-askeleella (esim. 5 minuutin välein). Se laskee sarjan optimaalisia ohjaustoimia, mutta toteuttaa vain ensimmäisen ja laskee sitten uudelleen seuraavassa vaiheessa. Tämä mahdollistaa DLB-järjestelmän "tasoittaa" latausprofiileja. Jos esimerkiksi järjestelmä tietää, että rakennuksen kuormituspiikki on tulossa klo 14, se saattaa ladata sähköautot etukäteen klo 13.30 ja sitten rajoittaa niiden kuormitusta syvälle klo 14 sen sijaan, että se reagoisi äkillisesti piikin iskiessä.

Latenssi ja viestintäprotokollat

Ohjaussilmukan nopeus riippuu sen tiedonsiirtoyhteydestä. Monissa DLB-kokoonpanoissa ohjain kommunikoi latureiden kanssa Modbus TCP:n, RTU:n tai Open Charge Point Protocol (OCPP) -protokollan kautta.

• ModbusTarjoaa erittäin pienen latenssin (millisekunteja), mikä tekee siitä ihanteellisen paikalliseen, turvallisuuskriittiseen DLB:hen.
• OCPP 1.6/2.0.1Pilvipalvelusta laturiin -viestinnän alan standardi. Vaikka se on ominaisuuksiltaan rikkaampi (laskutuksen, todennuksen ja laiteohjelmistopäivitysten käsittely), se aiheuttaa merkittävää viivettä (usein 1–5 sekuntia) JSON-viestien WebSockets-yleiskuorman ja julkisen internetin läpikulun vuoksi.

Insinöörien on valittava oikea protokolla kuormituksen tasapainotuksen kriittisyyden perusteella. Asuintalolle hieman hitaampi pilvipohjainen DLB saattaa riittää. Teollisuuslaitokselle, jossa katkaisijan laukeaminen maksaa tuhansia dollareita seisokkiaikana, paikallinen Modbus-pohjainen silmukka on pakollinen.

Luku 4: Paikallinen vs. pilvipohjainen DLB-arkkitehtuuri: Vertaileva analyysi

Älykkään latausinfrastruktuurin suunnittelussa yksi perustavanlaatuisimmista arkkitehtonisista päätöksistä on se, mihin "älykkyys" sijoittuu. Pitäisikö kuormituksen tasauslogiikan toimia paikan päällä olevalla laitteistolla (paikallinen DLB) vai pitäisikö sitä hallita etäpalvelimella (pilvipohjainen DLB)? Molemmilla lähestymistavoilla on selkeät edut ja kompromissit luotettavuuden, kustannusten ja skaalautuvuuden suhteen.

Paikallinen DLB: Reunalaskennan lähestymistapa

Paikallinen DLB sisältää fyysisen ohjaimen – usein PLC:n (ohjelmoitavan logiikkaohjaimen), erillisen yhdyskäytävän tai yhden "päälaturin" – joka kommunikoi suoraan muiden lähiverkon (LAN) laturien kanssa.

Edut:

1. Luotettavuus ja offline-ominaisuudetJärjestelmä ei ole riippuvainen internetyhteydestä. Jos kuitulinja katkeaa, laturit jatkavat kuorman tasapainottamista paikallisesti varmistaen rakennuksen sähköturvallisuuden.
2. Matala latenssiKuten luvussa 3 käsiteltiin, paikallinen tiedonsiirto (Modbus tai paikallinen OCPP) tapahtuu alle sekunnin nopeuksilla. Tämä on olennaista kohteissa, joissa on epävakaita ei-sähköajoneuvokuormia, kuten tehtaissa tai sairaaloissa.
3. TurvallisuusOhjaussignaalien pitäminen paikallisverkon sisällä pienentää kyberuhkien hyökkäyspinta-alaa, jotka voisivat yrittää manipuloida verkon vakautta.

Haittoja:

1. LaitteistokustannuksetVaatii lisälaitteiden ostamista ja asentamista paikan päällä.
2. Kunnossapidon monimutkaisuusDLB-logiikan päivittäminen saattaa vaatia käyntejä paikan päällä tai monimutkaista reunalaitteiden etähallintaa.
3. Siiloutunut dataPaikallisella ohjaimella on rajallinen näkyvyys laajempiin sähköverkon olosuhteisiin tai sähköyhtiön energianhintoihin, ellei sitä ole erityisesti integroitu pilvipohjaiseen taustajärjestelmään.

Pilvipohjainen DLB: Orkestrointi skaalautuvasti

Pilvipohjaisessa arkkitehtuurissa sekä älymittari että laturit raportoivat tietonsa keskitetylle hallinta-alustalle. Pilvi laskee kunkin laturin optimaalisen tehon ja lähettää senÄlykäs lataus.Aseta latausprofiilikomento takaisin EVSE-laitteille.

Edut:

1. SkaalautuvuusOn äärettömän paljon helpompaa hallita 1 000 toimipistettä yhdestä pilvihallintapaneelista kuin 1 000 yksittäistä paikallista ohjainta.
2. Globaali optimointiPilvi voi koota tietoja useista toimipisteistä osallistuakseen virtuaalivoimalaitoksiin (VPP) tai reagoidakseen alueelliseen sähköverkon kuormitukseen.
3. Edistynyt tekoälyintegraatioMonimutkaisten koneoppimismallien suorittaminen ennustamista varten (joita käsittelemme luvussa 8) on paljon toteuttamiskelpoisempaa tehokkailla pilvipalvelimilla kuin rajoitetulla reunalaitteistolla.
4. Alemmat alkukustannuksetErillistä paikallista ohjainta ei tarvita, jos laturit voivat olla suoraan yhteydessä pilveen.

Haittoja:

1. Yhteyksien riippuvuusJos internetyhteys katkeaa, järjestelmä yleensä palaa "turvatilaan" (esim. kaikkien autojen vähimmäislatausvirta), mikä voi olla erittäin tehotonta ja johtaa asiakasvalituksiin.
2. Korkea latenssiMittarin, pilven ja laturin välinen edestakainen matka-aika voi olla useita sekunteja. Tämä vaikeuttaa reagointia "hetkellisiin" kuormituspiikkeihin.
3. TietosuojaongelmatEnergiadatan jatkuva suoratoisto pilveen herättää joillekin yritysasiakkaille tietosuvereniteettiin ja yksityisyyteen liittyviä ongelmia.

Hybridimalli: Molempien maailmojen parhaat puolet

Nämä kompromissit tiedostettuaan teollisuus on siirtymässä kohti hybridimallia. Tässä kokoonpanossa paikallinen yhdyskäytävä hoitaa turvallisuuskriittisen, millisekuntitason kuormituksen tasapainotuksen (varmistaen, että katkaisija ei koskaan laukea). Samaan aikaan pilvi tarjoaa korkean tason strategian – se asettaa paikallisen ohjaimen "budjetit" energian hintojen, käyttäjien aikataulujen ja verkkosignaalien perusteella. Tämä "reunapainotteinen, pilvipohjainen" lähestymistapa tarjoaa infrastruktuurin suojaukseen tarvittavan luotettavuuden säilyttäen samalla pilvihallinnan joustavuuden.

Luku 5: Reaaliaikaiset tehonjakostrategiat ja prioriteetit

Käytettävissä olevan tehon jakaminen useiden sähköautojen kesken on dynaamisen kuormituksen tasapainotuksen monimutkaisin algoritminen haaste. Kyse ei ole pelkästään kokonaiskilowattien jakamisesta autojen lukumäärällä. Kehittyneen DLB-järjestelmän on tasapainotettava tasa-arvo, tehokkuus ja yksittäisten käyttäjien vaatimukset. Tässä luvussa tutkimme erilaisia ​​​​alalla nykyään käytettyjä tehonjakostrategioita.

Ensin tullutta palvellaan ensin (FCFS)

Yksinkertaisin allokointistrategia on FCFS. Ensimmäisenä kytkeytyvä ajoneuvo saa pyytämänsä maksimitehon. Seuraavat ajoneuvot saavat jäljelle jäävän tehon.

Hyvät puolet:

• Helppo toteuttaa.
• Selkeä ja läpinäkyvä ensimmäisille käyttäjille.

Haittoja:

• Erittäin epätasa-arvoista. Viides käyttäjä ei välttämättä saa virtaa ollenkaan, vaikka hänellä olisi kiireellinen matka, kun taas ensimmäisen käyttäjän akku on jo 90 %:n varauksessa ja hän voi helposti odottaa.
• Johtaa "virran hamstraamiseen", jossa auto käyttää paljon virtaa olevaa latauspaikkaa tuntikausia ja lataa viimeiset prosenttiyksikkönsä hyvin hitaasti.

Tasainen jakaminen

Tässä mallissa käytettävissä oleva teho jaetaan tasan kaikkien aktiivisten istuntojen kesken. Jos käytettävissä on 100 kW ja latauksessa on neljä autoa, jokainen saa 25 kW. Jos viides auto liittyy mukaan, kaikkien teho putoaa 20 kW:iin.

Hyvät puolet:

• Periaatteessa "oikeudenmukaista".
• Maksimoi ainakin jonkin verran maksua saavien autojen määrän.

Haittoja:

• Tehoton autoille, joissa on pienet akut tai jotka ovat lähes täynnä. Autolle, joka pystyy ottamaan vastaan ​​vain 7 kW, "annataan" 20 kW, jolloin hukkaan menee 13 kW, jotka olisi voitu käyttää 50 kW:n autoon.

Prioriteettiperusteinen allokointi (piirilevy ja akun kapasiteetti)

Nykyaikaiset DLB-järjestelmät käyttävät älykkäämpää, monimuuttujaista optimointia. Ne priorisoivat autoja niiden varaustilan (SoC) perusteella. Auto, jonka varaus on 10 %, priorisoidaan 80 %:n varaustason omaavaan autoon nähden, koska 10 %:n varaustason omaava auto tarvitsee kiireellisemmin lisää toimintasädettä ja pystyy myös hyväksymään paljon suuremman latausnopeuden litiumioniakun latauskäyrän (vakiovirtavaihe) ansiosta.

Lisäksi järjestelmä ottaa huomioon mm.suurin hyväksymisprosenttiajoneuvon. KäyttämälläMaksimivirtaAjoneuvon raportoiman tiedon (PWM:n kautta AC-latauksessa tai digitaalisen tiedonsiirron kautta DC-latauksessa) avulla DLB-ohjain varmistaa, että se ei koskaan jaa enempää tehoa kuin auto todellisuudessa pystyy käyttämään, ja jakaa siten "ylijäämän" muille ajoneuvoille.

Käyttäjän määrittämät prioriteetit ja "Premium"-lataus

Kaupallisissa ympäristöissä DLB voidaan linkittää laskutusjärjestelmään. Käyttäjä voi maksaa preemion "pikalatauksesta", mikä varmistaa, että he saavat aina maksimaalisen mahdollisen tehon muista kuormista riippumatta. Toisaalta ajoneuvoille voidaan antaa eri prioriteetit niiden suunniteltujen lähtöaikojen perusteella. Kello 5 aamulla lähtevä pakettiauto saa etusijan kello 3 aamulla kello 9 aamulla lähtevään pakettiautoon verrattuna.

Suhteellisen oikeudenmukaisuuden algoritmi

Televiestinnästä (LTE/5G-aikataulutus) johdettu algoritmi pyrkii maksimoimaan järjestelmän kokonais"hyödyllisyyden". Se tasapainottaa välittömän suuren tehon tarpeen (tehokkuus) ja pitkän aikavälin tarpeen varmistaa, ettei yksikään auto jää lataamatta (oikeudenmukaisuus). Se laskee prioriteettipistemäärän jokaiselle autolle:Pisteet = (Pyydetty teho / Tähän mennessä vastaanotettu keskimääräinen teho)Korkeimman pistemäärän saaneet autot saavat seuraavan käytettävissä olevan tehon jaon.

Luku 6: Verkon vakaus ja ylikuormituksen estomekanismit

Dynaaminen kuormituksen tasaus ei ole vain käyttömukavuutta lisäävä ominaisuus, vaan se on kriittinen turvajärjestelmä verkon vakauden kannalta. Sähköautojen yleistyessä jakeluverkko kohtaa uudenlaisia ​​rasituksia, kuten kysynnän nopeita vaihteluita ja harmonista säröä. Tässä luvussa tarkastellaan mekanismeja, joita DLB käyttää verkon suojaamiseen ja katastrofaalisten ylikuormitusongelmien estämiseen.

"Laukaisukäyrän" suojauslogiikka

Sähkökatkaisijoilla on "laukaisukäyrä" – ne kestävät pienen ylikuormituksen muutaman minuutin ajan, mutta laukeavat välittömästi, jos esiintyy suuri piikki. Kestävän DLB-ohjaimen on mallinnettava tätä laukaisukäyrää. Sen tulisi ottaa huomioon hyvin lyhyet piikit (esim. hissin käynnistyminen), jotta vältetään sähköautojen latauslaitteiden tarpeeton kuristaminen, mutta sen on toimittava päättäväisesti, jos ylikuormitus jatkuu.

Edistyneet ohjaimet käyttävät "kaksoiskynnyksen" lähestymistapaa:

1. Varoituskynnys (esim. 90 % rajasta)Ohjain aloittaa sähköauton latauslaitteiden "pehmeän kaasun" käytön estääkseen rajan saavuttamisen.
2. Kriittinen kynnysarvo (esim. 98 % rajasta)Ohjain toteuttaa "hätäpysäytyksen" tai aggressiivisen alennuksen sallittuun pienimpään virtaan (yleensä 6 A verkkovirtalatauksessa) pääsulakkeen suojaamiseksi.

Vaihe-epätasapainon hallinta

Kolmivaiheisissa sähköjärjestelmissä (yleisiä Euroopassa ja teollisuusalueilla) on mahdollista ylikuormittaa yksi vaihe, vaikka kokonaiskolmivaiheteho olisi rajoissa. Näin tapahtuu, jos useimmat paikan päällä olevat sähköautot ovat yksivaiheisia latausasemia ja ne sattuvat olemaan kytkettynä samaan vaiheeseen (esim. vaiheeseen L1).

Vaihekohtainen DLB-järjestelmä valvoo jokaista vaihetta erikseen. Jos vaihe L1 saavuttaa rajansa ja L2 ja L3 ovat vajaakäytössä, ohjain rajoittaa vain L1:een kytkettyjen autojen latausta. Jotkut edistyneet sähköajoneuvot (EVSE) voivat jopa vaihtaa vaiheita dynaamisesti (vaiheenvaihto) siirtämällä auton ruuhkaisesta vaiheesta avoimeen vaiheeseen keskeyttämättä latausistuntoa.

Harmoninen särö ja tehon laatu

Sähköautojen latausasemat ovat epälineaarisia kuormia, jotka käyttävät tehoelektroniikkaa (tasasuuntaajia). Nämä voivat syöttää verkkoon harmonisia yliaaltoja, mikä voi aiheuttaa nollajohtimien ylikuumenemista ja häiriöitä herkille elektronisille laitteille. Vaikka DLB (latausteholähde) hallinnoi ensisijaisesti "pätemistehoa" (kW), kehittyneet järjestelmät valvovat myös "kokonaisharmonista säröä" (THD) ja "tehokerrointa" (PF). Jos THD ylittää sääntelyrajat (esim. IEEE 519), DLB-järjestelmä voi hidastaa latausnopeuksia sähkön laatuun kohdistuvien vaikutusten lieventämiseksi.

Kysynnänjousto ja taajuuden säätö

Makrotasolla DLB-järjestelmät voivat osallistua kysyntäjousto-ohjelmiin (DR). Kun verkon taajuus laskee (merkiten tarjonnan niukkuutta), sähkölaitos lähettää signaalin. DLB-ohjain voi reagoida millisekunneissa ja pudottaa sähköautojen kuorman sadoille latausasemille samanaikaisesti. Tämä tarjoaa "virtuaaliakku"-vaikutuksen, joka on paljon nopeampi ja kustannustehokkaampi kuin huippukuormituskaasuvoimalan käynnistäminen. Tämä siirtyminen "passiivisesta kuormasta" "aktiiviseksi verkkoresurssiksi" on älykkään latauksen tulevaisuus.

Varavaltioiden rooli

Ylikuormituksen estämisen kriittinen osa on "turvatila" eli "varavirta". Jos ohjaimen ja mittarin (tai pilven) välillä ilmenee tiedonsiirtokatkos, DLB-järjestelmän on oletusarvoisesti käytettävä ennalta määritettyä turvallista virtarajaa. Yleensä tämä asetetaan erittäin alhaiseen arvoon (esim. 6 A laturia kohden) tai nollaan, mikä varmistaa, että rakennuksen infrastruktuuri pysyy suojattuna myös täydellisen järjestelmän vikaantumisen sattuessa.

Luku 7: Monienergiajärjestelmien integrointi: DLB-optimointi aurinkosähköllä ja BESS:llä

Uusiutuvien energialähteiden, erityisesti aurinkosähkön (PV), ja paikallisen varastoinnin, kuten akkupohjaisten energian varastointijärjestelmien (BESS), integrointi lisää dynaamiseen kuormituksen tasapainotukseen uuden ulottuvuuden. Perinteisessä DLB-järjestelmässä tavoitteena on pysyä verkon raja-arvon alapuolella. Monienergiajärjestelmässä tavoitteena on koordinoida näitä eri resursseja maksimoidakseen oman kulutuksen, minimoidakseen verkkokustannukset ja varmistaakseen luotettavuuden.

Monilähteisen tehotasapainon yhtälö

Aurinkosähköllä ja rakennuksen energiatehokkuudella varustetussa kohteessa sähköautojen lataukseen käytettävissä oleva teho ei ole enää pelkästään "verkkoraja miinus rakennuksen kuormitus". Siitä tulee:P_ev(t) = P_grid_limit – P_building(t) + P_pv(t) + P_bess_discharge(t) – P_bess_charge(t)

Tämä yhtälö tuo mukanaan useita uusia ohjausmuuttujia. DLB-ohjaimen on nyt päätettävä paitsi miten teho jaetaan sähköautoille, myös milloin BESS ladataan tai puretaan.

Aurinkoenergialla optimoitu lataus (aurinkosähkön rajoitusten esto)

Yksi monienergia-DLB:n ensisijaisista käyttötapauksista on ”aurinkoenergian seuranta”. Auringon paistaessa aurinkosähköjärjestelmä voi tuottaa enemmän energiaa kuin rakennus voi kuluttaa. Jos verkko ei salli syöttöä (nollavienti) tai jos syöttötariffi on alhainen, tämä energia menee hukkaan (rajoitettu). Älykäs DLB-järjestelmä valvoo aurinkosähkön tehoa ja lisää automaattisesti sähköautojen latausnopeutta vastaamaan aurinkoenergian tuotantoa. Tämä ”vihreä lataus” -tila on erittäin suosittu asuin- ja yritysympäristöissä, koska se mahdollistaa 100 % uusiutuvan liikkuvuuden ilman verkkovaikutuksia.

Huippuparranajo BESS:n kanssa

BESS toimii puskurina. Huippukysynnän aikana – kuten silloin, kun useita suuritehoisia tasavirtapikalatureita on aktiivisia samanaikaisesti – BESS voi purkaa varauksiaan täydentääkseen verkkovirtaa. Tämä mahdollistaa sen, että asema voi tukea useampia latureita kuin sen verkkoyhteys normaalisti sallisi. DLB-ohjain hallitsee BESS:n "energiatilaa" (SoE). Sen on varmistettava, että akulla on riittävästi kapasiteettia seuraavan odotetun huippukuormituksen käsittelemiseksi, ja samalla ajoitettava lataus alhaisen kysynnän tai suuren aurinkoenergian tuotannon aikana.

Koordinoitu usean omaisuuslajin optimointi

Kehittyneimmät järjestelmät käyttävät "yhteisoptimointi"-lähestymistapaa. Sen sijaan, että aurinkosähköä, aurinkosähköjärjestelmää ja sähköautoja käsiteltäisiin erillisinä kokonaisuuksina, niitä hallitaan yhtenäisenä mikroverkkona. Ohjain käyttää lineaarista ohjelmointia tai evoluutioalgoritmeja energiatasapaino-ongelman ratkaisemiseen muutaman sekunnin välein. Esimerkiksi jos auton on lähdettävä liikkeelle tunnin kuluttua ja aurinkosähkön tuotanto laskee pilven vuoksi, ohjaimen on päätettävä: pitäisikö sen ottaa enemmän virtaa verkosta (kallis), purkaa aurinkosähköjärjestelmä (syklikustannukset) vai rajoittaa auton käyntiä (käyttäjän tyytymättömyys)? "Taloudellisen ohjauksen" logiikka (käsitelty luvussa 9) tarjoaa viitekehyksen näille päätöksille.

Luku 8: Edistyneet tehoennustemallit laajamittaisille latausasemille

Laajoissa latauskeskuksissa – kuten moottoriteiden huoltoasemilla tai kaupunkien linja-autoasemilla – reaktiivinen suora lataus ei riitä. Sähköverkon epävakauden estämiseksi ja energiakustannusten optimoimiseksi näiden kohteiden on käytettävä ennustavia malleja kysynnän ennakoimiseksi. Tässä luvussa tarkastellaan älykkään latauksen tehoennusteisiin käytettyjä datatiedettä ja mallinnustekniikoita.

Kysynnän ennustaminen: Ajoneuvojen saapumisen ennustaminen

Ennusteiden ensimmäinen vaihe on ennustaa, milloin ja kuinka monta sähköautoa saapuu. Kaupalliselle keskukselle tämä tarkoittaa seuraavien analysointia:

1. Historialliset saapumismallitKellonajan, viikonpäivän ja kausittaiset trendit.
2. Ulkoiset tiedotLiikenneolosuhteet, sää (joka vaikuttaa sähköauton toimintamatkaan ja lämmitys-/jäähdytyskuormaan) ja paikalliset tapahtumat.
3. Jonotus teoriaKäyttämällä stokastisia malleja, kuten M/M/s-jonoja, arvioidaan kaikkien latausasemien varattujen tilojen todennäköisyyttä.

Edistyneet mallit käyttävät pitkän lyhytaikaisen muistin (LSTM) neuroverkkoja tai gradienttivahvistettuja puita (XGBoost) ennustaakseen "kokonaiskysyntäprofiilin" seuraaville 24 tunnille suurella tarkkuudella.

Rakennuksen kuormituksen ennustaminen

Jotta DLB toimisi, sen on myös ennustettavaEi-sähköautokuormaToimistorakennuksessa tämä on erittäin ennustettavissa (huippu työaikana). Teollisuusalueella se voi olla vaihtelevaa. Rakennusten kuormien ennustemallit käyttävät tyypillisesti:

• Automaattisesti regressiivinen integroitu liukuva keskiarvo (ARIMA)Vakaat, kausittaiset tiedot.
• Profeetta (kirjoittanut Meta)Erinomainen puuttuvien tietojen ja poikkeavien arvojen käsittelyyn aikasarjaenergiadatassa.
• Fysiikkaan perustuvat mallitLVI-kuorman ennustaminen ottamalla huomioon rakennuksen lämpömassa ja ennustettu ulkolämpötila.

Aurinkosähkön tuotannon ennustaminen

Aurinkoenergian tuotannon ennustaminen on elintärkeää monienergiajärjestelmille suorassa lähetyksessä (DLB). Tämä edellyttää integrointia korkean resoluution säätietojen API-rajapintoihin (auringon säteilytiedot) ja paikallisiin antureihin. Lyhytaikaisessa ennustamisessa (0–15 minuuttia) käytetään usein ”Sky Imaging” -kameroita, jotka seuraavat pilvien liikettä ennustaakseen aurinkosähkön tuotannon äkillisiä laskuja, jolloin DLB-järjestelmä voi ennakoivasti säätää lataustehoa tai valmistella latausjärjestelmän purkautumista varten.

Ennuste-ohjausrajapinta

Näiden ennusteiden tulokset syötetään luvussa 3 kuvattuun mallin ennustavaan ohjausjärjestelmään (MPC). Ennuste tarjoaa "ennustehorisontin", jonka avulla ohjain voi tehdä tänään päätöksiä, jotka ottavat huomioon kahden tunnin kuluttua odotettavissa olevat olosuhteet. Tämä "ennakointiominaisuus" erottaa perusälylaturin verkkoon integroidusta energianhallintajärjestelmästä.

Luku 9: Kustannusten optimointi ja taloudellinen ajattelu älykkäässä latauksessa

Vaikka DLB:n ensisijainen tavoite on tekninen (ylikuormituksen estäminen), toissijainen ja yhä tärkeämpi tavoite on taloudellinen. Tässä luvussa käsittelemme sitä, miten DLB-järjestelmät optimoivat energiakustannukset alhaisimmiksi.

Käyttöajan (ToU) arbitraasi

Useimmat sähkölaitokset tarjoavat nykyään dynaamista hinnoittelua. Sähkön hinta saattaa olla 0,30 dollaria/kWh klo 17.00, mutta vain 0,05 dollaria/kWh klo 02.00. Älykäs DLB-järjestelmä ottaa nämä hintasignaalit syötteenä. ”Kustannusoptimaalinen ajoitus” siirtää mahdollisimman paljon sähköauton kuormaa halvimman hinnan jaksoille. Sen on kuitenkin tasapainotettava tämä käyttäjän vaatimusten kanssa. Jos käyttäjä tarvitsee autoaan klo 20.00, järjestelmä ei voi odottaa klo 02.00 asti latauksen aloittamiseksi. Algoritmi laskee kunkin istunnon viivästyttämisen ”vaihtoehtoiskustannuksen”.

Kysyntämaksujen hallinta

Yritysasiakkailla sähkölasku jaetaan usein kahteen osaan: energiankulutukseen (kWh) ja huippukulutukseen (kW). Huippukulutusmaksu perustuu kuukauden korkeimpaan 15 minuutin jaksoon. Yksi hallitsematon huippu voi maksaa tuhansia dollareita. DLB-järjestelmä toimii "huippukulutuksen leikkaajana". Asettamalla kiinteän rajan sivuston kokonaiskuormalle ja käyttämällä BESS-järjestelmää tai kuristusta sen ylläpitämiseksi, järjestelmä varmistaa, että huippukulutusmaksu pysyy budjetoidussa vaihteluvälissä.

Osallistuminen taajuusvastemarkkinoille

Verkko-operaattorit (TSO/DSO) maksavat "joustavuudesta". Jos latausverkko pystyy osoittamaan pystyvänsä vähentämään kuormitustaan ​​käskystä, se voi osallistua markkinoille, kuten FFR (Firm Frequency Response) tai DSR (Demand Side Response). DLB-ohjain toimii rajapintana. Kun "joustopyyntö" saapuu, ohjain laskee, kuinka paljon se voi turvallisesti vähentää kuormitusta rikkomatta käyttäjien vähimmäisvaatimuksia latauspiirille, ja tekee tarjouksen markkinoilla. Näistä palveluista saatavat tulot voivat merkittävästi kompensoida latausinfrastruktuurin kustannuksia.

Taloudellisen dispatchin objektiivinen funktio

Tämän optimoinnin taustalla oleva matematiikka on yleensä monitahoinen funktio:Minimoi: (Verkkoenergian hinta) + (Akun heikkenemiskustannukset) + (Myöhästyneen latauksen sakko) Edellytyksenä: (Verkkokapasiteetti) ja (Käyttäjien määräajat)

Ratkaisemalla tämän muutaman minuutin välein DLB-järjestelmä varmistaa, että asema toimii "tehokkuuden rajalla" – täydellisessä tasapainossa kustannusten ja suorituskyvyn välillä.

Luku 10: Tulevaisuuden trendit: V2G, tekoälypohjainen DLB ja standardointi (OCPP 2.0.1)

Älykkään sähköautojen latauksen ala kehittyy huimaa vauhtia. Teknologian kypsyessä siirrymme yksinkertaisesta kuormanhallinnasta kohti täydellistä verkkoon integrointia ja autonomista optimointia. Tässä luvussa tarkastellaan kolmea merkittävintä dynaamisen kuorman tasapainotuksen tulevaisuutta muokkaavaa trendiä: ajoneuvosta verkkoon (V2G), tekoälyä ja seuraavan sukupolven viestintästandardien käyttöönottoa.

Ajoneuvosta verkkoon (V2G) ja kaksisuuntainen DLB

V2G on älykkään latauksen viimeisin kehitysaskel. Sähköauton sijaan, että se olisi pelkkä kuorma, siitä tulee mobiiliakku, joka voi syöttää virtaa takaisin verkkoon. DLB:ssä tämä tarkoittaa, että yhtälössä käytettävissä oleva teho voi itse asiassa olla negatiivinen. V2G-yhteensopivassa kohteessa DLB-ohjaimen on hallittava "kaksisuuntaista kuormantasausta". Jos rakennuksen kuormitus ylittää verkkorajan, ohjain voi käskeä sähköautoja purkamaan akkunsa rakennuksen tukemiseksi. Tämä vaatii erittäin kehittynyttä "syklin hallintaa" sen varmistamiseksi, että purkaus ei heikennä ajoneuvon akkua liikaa ja että käyttäjällä on edelleen riittävästi toimintasädettä seuraavaa matkaa varten. V2G edellyttää myös laitteistopäivityksiä – erityisesti kaksisuuntaisia ​​tasavirta- tai vaihtovirtalatureita, jotka tukevat ISO 15118-20 -standardia.

Tekoälypohjainen autonominen kuormituksen tasapainotus

Vaikka nykyiset DLB-järjestelmät perustuvat ennalta määriteltyihin algoritmeihin ja sääntöihin, seuraava sukupolvi käyttää "itseoppivaa" tekoälyä. Vahvisteoppimisen (RL) avulla DLB-ohjain voi oppia optimaalisen latausstrategian yrityksen ja erehdyksen kautta simuloidussa ympäristössä ennen käyttöönottoa. Tekoälypohjainen ohjain voi tunnistaa hienovaraisia ​​​​kuvioita, jotka ihmisinsinööri saattaa olla huomaamatta – kuten se, että joka tiistaiaamu kello 10 tietty teollisuuskone käy 15 minuuttia aiheuttaen kuormituspiikin. Tekoäly voi oppia säätämään sähköautojen latausasemia ennakoivasti kyseisenä aikana, jopa ilman reaaliaikaista signaalia itse koneelta.

OCPP 2.0.1:n ja ISO 15118:n vaikutus

Standardointi on skaalautuvuuden perusta. Ala siirtyy nopeasti vanhasta OCPP 1.6:sta paljon vankempaan OCPP 2.0.1:een.

• OCPP 2.0.1Esittelee ”laitehallinnan”, jonka avulla pilvi voi valvoa latureiden kuntoa ja kokoonpanoa paljon yksityiskohtaisemmin. Vielä tärkeämpää DLB:n kannalta on, että se sisältää parannetut älykkään latauksen ominaisuudet, jotka mahdollistavat monimutkaisempia latausprofiileja ja kolmivaihejärjestelmien paremman käsittelyn.
• ISO 15118 (Plug & Charge)Tämä ajoneuvon ja laturin välinen tiedonsiirtostandardi mahdollistaa auton jakaa todellisen akun kapasiteettinsa ja järjestelmäpiirinsä laturin kanssa. Nykyään useimmat verkkovirtalaturit "arvaavat" akun kapasiteettinsa tai luottavat käyttäjään syöttämään sen sovellukseen. ISO 15118 -standardin mukaisesti DLB-ohjain saa "Ground Truth" -datan suoraan auton akun hallintajärjestelmästä (BMS), mikä mahdollistaa paljon tarkemman tehon kohdentamisen.

Luku 11: Tapaustutkimukset ja toteutuksen haasteet

Teoreettinen erinomaisuus ei ole mitään ilman käytännön toteutusta. Tässä luvussa tarkastelemme DLB:n käytännön käyttöönottoja ja teknisiä haasteita, joita insinöörit kohtasivat käyttöönoton aikana.

Case-tutkimus 1: Kaupallinen toimistokompleksi

Lontoossa sijaitsevan suuren yrityksen pääkonttori halusi asentaa 50 sähköautojen latauspistettä, mutta ratkaisua rajoitti 200 kW:n verkkoyhteys, josta rakennuksen LVI-järjestelmät ja valaistus käyttivät jo 70-prosenttisesti tehoa.RatkaisuOtettiin käyttöön hybridi-DLB-järjestelmä. Asennettiin paikallinen reunasäädin päämuuntajan valvomiseksi virtamuuntajapihtien avulla. Järjestelmä konfiguroitiin 180 kW:n "pehmeällä rajalla" ja 195 kW:n "kovalla rajalla".TulosLaturi hallitsi onnistuneesti 50 latausasemaa ilman yhtäkään sulakkeen laukeamista. SoC-pohjaisen priorisoinnin avulla he varmistivat, että pitkiä työmatkoja tehneiden työntekijöiden akuilla oli aina täyteen ladattu akku päivän loppuun mennessä.

Case-tutkimus 2: Sähköbussiasema

Shenzheniläisen linja-autoyhtiön piti ladata 100 sähköbussia yön aikana. Haasteena oli valtava samanaikainen kuorma, joka syntyi, kun kaikki bussit palasivat varikolle kello 23.RatkaisuTekoälypohjaista ennustusmallia käytettiin ennustamaan jokaisen bussin latauksen kapasiteettia saapuessaan sen reittitietojen perusteella. DLB-järjestelmä ajoitti sitten latauksen "aaltoittain" varmistaen, ettei kokonaiskuorma koskaan ylittänyt varikon sähköaseman kapasiteettia, ja samalla varmistaen, että jokainen bussi oli 100 %:ssa klo 5.00 mennessä.

Yleisiä toteutushaasteita

1. Viestinnän ja integroinnin monimutkaisuus:Jokaisen laturin on puhuttava kohteen kieltä – OCPP keskushallintajärjestelmälle, ISO 15118 ajoneuvolle ja usein Modbus tai BACnet rakennuksen energianhallintajärjestelmälle. Kaikkien kolmen kerroksen luotettava yhteentoimivuus, erityisesti eri toimittajien laturien välillä, on yksi yleisimmistä "haamu"vikojen" lähteistä, jotka ovat itse asiassa protokolla-ristiriitoja.
2. Verkkoonkytkentä- ja kulutusmaksut:DLB-järjestelmä ratkaisee rajoitetun kapasiteetin teknisen ongelman, mutta kaupallinen ongelma – kysyntämaksut ja sähköverkkojen yhteenliittämismaksut – on edelleen olemassa. Kohteiden on mallinnettava, laukaiseeko niiden kuormitusprofiili rankaisevia kysyntäpiikkejä ja onko BESS-järjestelmä kustannustehokkaampi kuin suurempi verkkoyhteys.
3. Tiedon laatu ja SoC-arviointi:DLB-optimointi on vain niin hyvää kuin sen syötteet. Ajoneuvot raportoivat lataustilan latauksen aikana, mutta arvot voivat olla vanhentuneita, epäjohdonmukaisia ​​tai yksinkertaisesti saatavilla vanhemmissa malleissa. Järjestelmien on oltava kestäviä puuttuvien tietojen suhteen ja käytettävä oletusarvoisesti konservatiivista ajoitusta, kun telemetria on epäluotettavaa.
4. Ohjauskerroksen skaalautuvuus:Järjestelmä, joka hallitsee tyylikkäästi 50 laturia, voi kamppailla 500 laturin kanssa. Reunaohjaimet, pilvikäyttöliittymät ja vikasietoisuus on suunniteltava skaalautuvasti alusta alkaen, ja ohjauslogiikkaa on testattava realististen pahimpien kuormituspiikkien varalta – ei vain keskimääräisten olosuhteiden varalta.

Näiden haasteiden voittaminen

Mikään näistä haasteista ei ole este; jokainen on suunnittelun osa-alue. Standardointi OCPP 1.6J:hen tai 2.0.1:een yhden CMS-toimittajan kanssa poistaa suurimman osan protokollakitkasta. Kysyntäkustannusten mallintaminen alkuperäisessä liiketoimintasuunnitelmassa – ja BESS:n lisääminen, kun luvut sitä puoltavat – suojaa kannattavuutta. Ja DLB-toimittajan valitseminen, jolla on todistetusti laajamittaisia ​​käyttöönottoja, sellaisen sijaan, jolla on vain laboratoriomittakaavan demoja, vähentää koko projektin riskejä.

Näillä haasteilla on myös inhimillinen ulottuvuus. DLB-järjestelmää käyttöönottavien insinöörien on ymmärrettävä sekä sähköjärjestelmät että ohjelmistot – harvinainen yhdistelmä. Käyttäjät tulisi budjetoida strukturoitua koulutusta ja dokumentoituja suoritusprosesseja, jotta kun reunaohjain laukaisee hälytyksen kello 2 yöllä, päivystävä teknikko tietää tarkalleen, mitä kojelaudan tietoja tarkistetaan ja mitä menettelyjä noudatetaan. Kokeneet toimittajat toimittavat nämä suoritusprosesseja vakiotoimituksina, ja niiden puuttuminen on varoitusmerkki toimittajaa valittaessa.

Johtopäätös

Dynaaminen kuormituksen tasapainotus ja BESS-optimointi muuttavat sähköautojen latauksen verkkovastuulla olevasta verkon resurssista. Ne antavat latausasemien kolminkertaistaa latausasemien määrän ilman muuntajien päivittämistä, suojaavat operaattoreita kohtuuttomilta kysyntämaksuilta ja avaavat oven tulonlähteille – huippukuormituksen vähentämiselle, energia-arbitraasille ja jopa verkkopalveluille – joihin naiivi asennus ei koskaan voisi päästä käsiksi. Teknologia on kypsää; kurinalaisuus piilee integroinnissa, datan laadussa ja rehellisessä kapasiteetin mallintamisessa.

Keskeiset tiedot

• DLB avaa enemmän latureita kilowattia kohden verkkoon kytkettynä, usein lykäten tai poistaen kuusinumeroisia muuntajapäivityksiä.
• BESS + veloitus muuntaa kysyntä-maksu-ongelman kysyntä-maksu-voittokeskukseksi.
• SoC-pohjainen priorisointi ja tekoälyennusteet pitävät kriittiset käyttäjät (työmatkalaiset, linja-autot) laskutettuina ja samalla tasoittavat sivuston kuormituskäyrää.
• Yhteentoimivuus (OCPP, ISO 15118), datan laatu ja toimittajan skaalautuvuus ovat kolme ratkaisevaa tekijää todellisissa käyttöönottoissa.

Ota yhteyttä MIDA Poweriin

MIDA Powerin latausjärjestelmissä on integroitu dynaaminen kuormantasaus ja valinnainen BESS-integraatio, joita kaikkia hallitaan yhden OCPP-yhteensopivan alustan kautta. Toimistokeskuksista linja-autoasemiin, tarjoamme suunnittelutukea kuormasi mallintamiseen, järjestelmän oikean mitoituksen löytämiseen ja käyttöönottoon ilman yllätyksiä. Ota yhteyttä saadaksesi kuorma-analyysikonsultaation ja projektitarjouksen.